Introduccion a Procesos Estocasticos

Anuncio
Introducción a Procesos Estocásticos
José Antonio Camarena Ibarrola
Procesos Estocasticos






Se encargan de la dinámica de las probabilidades
mediante una generalización del concepto de variable
aleatoria con el objetivo de incluir el tiempo
Una variable aleatoria X mapea un evento s del
espacio muestral a un valor numérico X(s)
En un proceso estocástico un evento s, en un instante
t se mapea a un valor numérico X(t,s)
Si t se deja fijo, X(s) depende solo de s, es decir, un
proceso estocástico es una variable aleatoria para
cada instante específico.
Si s se deja fijo se tiene una función del tiempo X(t)
X(t,s) se puede ver como una colección de funciones
del tiempo, una para cada s
Clasificación de procesos
estocásticos





Los valores de X(t,s) son llamados estados del
proceso estócástico y el conjunto de todos los
posibles valores de X(t,s) forman el espacio de
estados E. t є T
Procesos estocasticos de tiempo contínuo (T es un
intervalo de números reales)
Procesos estocásticos de tiempo discreto (T es un
conjunto numerable)
Procesos estocásticos de estado contínuo (El espacio
de estados E es contínuo)
Procesos estocásticos de estado discreto (E es
discreto)
Caracterización de un proceso
estocástico


En lo sucesivo representaremos el proceso estocástico X(t,s)
como X(t) (suprimimos s)
Un proceso estocástico queda completamente caracterizado
por su Función de Distribución Acumulada ((CDF) conjunta,
sea:
F X ( x 1 ,t 1)=F X ( x 1 )= P [ X ( t 1 )≤ x 1 ]
F X ( x 2 , t 2)=F X ( x 2)=P [ X (t 2 )≤ x 2 ]
F X ( x n , t n)=F X ( x n)=P [ X (t n )≤ x n ]
0<t 1<t 2 <...<t n
Caracterización de un proceso
estocástico

Un proceso estocástico de tiempo contínuo queda
completamente caracterizado mediante:
F X (x 1 , x 2 , ... , x n ,t 1 , t 2 ,... , t n)=P [ X (t 1)≤ x 1 , X (t 2 )≤ x 2 ,... , X (t n)≤ x n ]

Similarmente, si el proceso estocástico es de tiempo
discreto, lo podemos caracterizar mediante una colección
de funciones de distribución de probabilidad :
p X ( x1 , x 2 ,... , x n , t 1 , t 2 , ... , t n )= P [ X 1= x 1 , X 2= x 2 ,... , X n= x n ]
Procesos de Markov
Se denomina proceso de Markov de primer
orden a un proceso estocástico en el cual:
P[ X (t n )≤ x n | X (t n−1 )=x n−1 , X (t n−2)=x n−2 ,... , X (t 0)=x 0 ]=P [ X (t n )≤ x n | X (t n−1)=x n−1 ]



Es decir, dado el estado actual del proceso, el
estado futuro no depende del pasado, esta
propiedad se conoce como la propiedad de
Markov
En un proceso de Markov de segundo orden, el
estado futuro depende del estado actual y del
anterior y así sucesívamente
Tipos de Procesos de Markov



Un proceso de Markov puede ser de estado discreto o
de estado continuo
A los procesos de Markov de estado discreto se les
conoce como Cadenas de Markov
Un proceso de Markov puede ser de tiempo discreto o
de tiempo continuo
1.Cadenas de Markov de tiempo discreto
2.Cadenas de Markov de tiempo contínuo
3.Procesos de Markov de tiempo discreto
4.Procesos de Markov de tiempo contínuo
Estructura de un proceso de
Markov




Un proceso que hace transiciones entre estados en
instantes fijos o aleatorios
El sistema entra a un estado y se queda un tiempo
denominado tiempo de espera, despues de el cual cambia
a otro estado y se queda otro tiempo de espera, etc.
En un proceso explosivo puede haber un número infinito
de transiciones en un intervalo infinito
Un proceso no-explosivo es denominado puro
Proceso de Wiener






No todo proceso físico puede ser modelado por una
cadena de Markov de tiempo discreto y estado discreto
Un ejemplo de proceso de tiempo contínuo y estado
contínuo es el Movimiento Browniano
En 1828 el Botánico Robert Brown observó partículas de
polen suspendidas en fluído que se movían de manera
irregular y aleatoria
En 1900, Bachelier escribió su teoría matemática de
especulación y usó el movimiento browniano para modelar
el precio de las acciones
En 1905 Einstein escribió ecuaciones para e, movimiento
browniano
En 1923 Wiener lo modeló como un proceso estocástico al
que llamó Proceso de Wiener
Proceso de ramificación. Un ejemplo de
proceso de Markov de tiempo discreto





Considere un sistema que consiste inicialmente de un
conjunto finito de elementos.
Al pasar el tiempo, cada elemento puede desaparecer con
probablididad P 0
O bien puede producir k nuevos elementos con
probabilidad P k
El comportamiento de cada elemento nuevo es similar al
del padre que lo produjo
Si X n denota el tamaño de la población despues de n
eventos, el proceso { X n |( n>0)}
es una cadena de Markov denominada Proceso de
ramificación
Aplicaciones a Procesos de
ramificación

Crecimiento de una población

Esparcimiento de una epidemia

Fisión Nuclear
Mobilidad Social. Una aplicación
de cadenas de Markov



Sociólogos [Prais,1955] han utilizado cadenas
de Markov para modelar como la clase social
del padre, del abuelo, etc. Afectan la clase
social de una persona
El modelo considera tres estados, clase alta,
clase media y clase baja
Una vez determinadas las probabilidades de
transición se pueden usar para modelar la
mobilidad social mediante una cadena de
Markov
Procesos de Decisión de Markov




Sirven para modelar sistemas dinámicos con
incertridumbre en donde el estado es función del
tiempo
El proceso requiere de un agente que tome una serie
(secuencia) de decisiones a medida que transcurre el
tiempo
Cada decisión tiene una consecuencia, puede tener
una ganancia o un costo
El objetivo es encontrar la secuencia óptima de
acciones que maximize la recompensa esperada para
un intervalo dado (finito o infinito)
Aplicaciones de procesos de
Markov de tiempo contínuo



Un sistema de encolamiento consiste de uno o mas
servidores que atienden a clientes que llegan de manera
aleatoria
Si un cliente llega cuando hay al menos un servidor
desocupado es atendido si que tenga que esperar
Si al llegar un cliente, todos los servidores están
ocupados, entonces deberá esperar a ser atendido de
acuerdo a una política (Ej FIFO)

Sea n el número de clientes en el sistema

El proceso de arrivo se considera un proceso de Poisson

El tiempo de servicio tiene distribución exponencial

El proceso { n| n=0,1,. ..} es una cadena de Markov
Sistemas de almacenamiento
estocástico

Un recurso se mantiene almacenado hasta que es
solicitado (Sistemas de inventario, Reclamos de seguros,
etc)

Las solicitudes son aleatorias

Sea c la capacidad de almacenamiento

En cada periodo n hay una demanda de Dn unidades

Yn denota el stock residual depues del periodo n



Si la política establece que el almacen se llene al inicio del
periodo n+1 cada vez que Yn<m (m umbral dado)
Y n+1=max( 0, c−D n+1 ) ; Y n<m
Y n+1=max( 0,Y n −D n+1) ;Y n >m
Si D1, D2,... son iid entonces {Y n | ( n>0)} es una
cadena de Markov
Descargar